scrap是python的一个快速高层次的爬虫框架,它使用Twisted来处理网络通讯,用于抓取web站点并从页面中提取结构化的数据。
selenium是一套完整的web应用程序测试系统,它包含了测试的录制、编写及运行和测试的并行处理。selenium的核心SelenuimCore基于JsUnit,完全由JavaScript编写,因此可以用于任何支持JavaScript的浏览器上。
selenium可以模拟真实的浏览器,自动化测试工具,支持多种浏览器,爬虫中主要用来解决JavaScript渲染问题。
PhantomJS是一个基于webkit的JavaScript API代码。它是使用QtWebKit作为它的核心浏览器,使用webkit来编译解释执行JavaScript代码。任何你可以在基于webkit浏览器里做的事它都能做到。
假设以上各种环境都配置完成,下面开始爬取淘宝网页信息。
首先新建一个项目和爬虫文件,终端依次输入以下命令
scrapy startproject taobao
cd taobao
scrapy genspider taobaospider taobao.com
项目创建完成后首先更改爬虫文件的start_url,将其更改为需要爬取的网页。因为淘宝的网页是动态网页所以我们不能直接用xpath分析页面数据,我们要先用selenium和PhantomJS建立爬虫中间件。找到项目的middlewares.py文件。添加以下代码
from scrapy import signals
from scrapy.http.response.html import HtmlResponse
from selenium import webdriver
class SeleniumSpiderMiddleware(object):
def __init__(self):
self.driver = webdriver.PhantomJS(r'D:/Program Files (x86)/phantomjs-2.1.1-windows/bin/phantomjs.exe')
def process_request(self, request, spider):
"""当引擎从调度器中取出request进行请求发送给下载器之前
会先执行当前的的爬虫中间件,在中间件里面使用selenium
请求这个request,拿到动态网站的数据,然后将请求返回给爬虫对象"""
if spider.name == 'taobaospider':
# 使用爬虫文件的url地址
spider.driver.get(request.url)
for x in range(1, 12, 2):
i = float(x) / 11
js = 'document.body.scrollTop=document.body.scrollHeight * %f' % i
spider.driver.execute_script(js)
# 设置响应信息
# 响应的url为请求的url
# 响应的网页内容为请求网页的源码
# 响应的编码为utf-8
# 请求的信息为获取的请求信息
response = HtmlResponse(
url = request.url,
body=spider.driver.page_source,
encoding='utf-8',
request=request
)
# 只能返回response对象,如果返回了response对象那么可以直接跳过下载中间件
# 将response的值传递给引擎,引擎将值传递给spider进行处理
return response
这里就是我们所写的爬虫中间件,其中
for x in range(1, 12, 2):
i = float(x) / 11
js = 'document.body.scrollTop=document.body.scrollHeight * %f' % i
spider.driver.execute_script(js)
是将整个网页分为六等分,每次滑动六分之一。
接下来我们在配置文件中启用中间件,打开settings.py,将以下代码解注释,并更该其中的代码
SPIDER_MIDDLEWARES = {
'taobao.middlewares.TaobaoSpiderMiddleware': 543,
}
DOWNLOADER_MIDDLEWARES = {
'taobao.middlewares.SeleniumSpiderMiddleware': 500,
}
这样我们写的中间件就能正常工作了。
接下来到items.py加入以下代码,因为我们要保存title,price两个字段。
class TaobaoItem(scrapy.Item):
title = scrapy.Field()
price = scrapy.Field()
接下来到爬虫文件即taobaospider.py加入以下代码来获取我们想要的数据。
import scrapy
from selenium import webdriver
from ..items import TaobaoItem
class TaobaospiderSpider(scrapy.Spider):
name = 'taobaospider'
allowed_domains = ['taobao.com']
start_urls = ['https://s.taobao.com/search?q=%E7%AC%94%E8%AE%B0%E6%9C%AC%E7%94%B5%E8%84%91&imgfile=&commend=all&ssid=s5-e&search_type=item&sourceId=tb.index&spm=a21bo.2017.201856-taobao-item.1&ie=utf8&initiative_id=tbindexz_20170306']
def __init__(self):
self.driver = webdriver.PhantomJS(r'D:/Program Files (x86)/phantomjs-2.1.1-windows/bin/phantomjs.exe')
def parse(self, response):
div_info = response.xpath('//div[@class="info-cont"]')
for div in div_info:
# title = self.dirver.find_element_by_class_name('title-row').text
title = div.xpath('.//div[@class="title-row "]/a/@title').extract_first()
price = div.xpath('.//div[@class="sale-row row"]/div/span[2]/strong/text()').extract_first()
item = TaobaoItem()
item['title'] = title
item['price'] = price
yield item
接下来我们将数据保存到sqlite3数据库里。打开pipelines.py 加入以下代码。
import sqlite3
class TaobaoPipeline(object):
def __init__(self):
self.conn = sqlite3.connect('taobaoDb')
self.cursor = self.conn.cursor()
self.cursor.execute('create table if not exists taobaoTable (title text, price text)')
def process_item(self, item, spider):
sql = 'insert into taobaoTable (title, price) values ("{}", "{}")'
self.cursor.execute(sql.format(item['title'], item['price']))
self.conn.commit()
return item
def close_spider(self, spider):
self.cursor.close()
self.conn.close()
然后到配置文件里启用管道文件就可以了
ITEM_PIPELINES = {
'taobao.pipelines.TaobaoPipeline': 300,
}
最后运行以下命令
scrapy crawl taobaospider
我们的爬虫就正常工作了。
运行结果: